การนำทางหุ่นยนต์ตามคำสั่งเสียงและภาพในสภาพแวดล้อมจริง (VLN-CE) มักประสบปัญหาเมื่อข้อมูลที่รับเข้ามาไม่ครบถ้วน ทำให้การตัดสินใจคลาดเคลื่อนไปจากความเป็นจริง งานวิจัยนี้เสนอ SC2-WM ซึ่งเป็นโมเดลโลกที่เพิ่มกลไก 'การสะท้อนกลับภายใน' (Internal feedback) เพื่อให้หุ่นยนต์สามารถคาดการณ์ผลลัพธ์ล่วงหน้าและปรับปรุงแผนก่อนที่จะขยับตัวจริง
จุดเด่นคือการนำระบบ 'Conditional World-aware Adaptation' มาใช้ ซึ่งจะเลือกอัปเดตตัวโมเดลเองในขณะทำงาน (Test-time) เมื่อพบว่าการคาดการณ์ล่วงหน้ากับความเป็นจริงไม่ตรงกัน วิธีนี้ช่วยลดปัญหาการสะสมของความผิดพลาดระหว่างการเดินทางไกลๆ
การทดสอบบนมาตรฐาน VLN-CE ยืนยันว่า SC2-WM ช่วยให้หุ่นยนต์มีความทนทานต่อสภาพแวดล้อมที่ซับซ้อนมากขึ้น และสามารถรับมือกับสถานการณ์ที่ไม่เคยเห็นมาก่อนได้ดีกว่าระบบเดิมที่เป็นการสั่งการแบบเปิด (Open-loop)
